Visualisation

Plan

1. Les graphiques: avant de publier
2. Choisir le bon type de graphique
3. L’approche impératve et l’approche déclarative
4. Visualisation en R 4.1 R base 4.2 ggplot2
5. Fermeture

Objectifs spécifiques

À la fin de ce chapitre, vous

• comprendrez l’importance de l’exploration des données
• comprendrez les guides généraux pour créer un graphique approprié
• comprendrez la différence entre les modes impératifs et déclaratifs pour la création de graphique
• serez en mesure de créer des nuages de points, lignes, histogrammes, diagrammes en barres et boxplots en R
• saurez exporter un graphique en vue d’une publication

1. Les graphiques: avant de publier

Un outil d’exploration

Cinq qualités d’un bon graphique

1. Elle est véritable, puisqu’elle est basée sur une recherche exhaustive et honnête.
2. Elle est fonctionnelle, puisqu’elle constitue une représentation précise des données, et qu’elle est construite de manière à laisser les observateurs.trices prendre des initiatives conséquentes.
3. Elle est attrayante et intrigante, et même esthétiquement plaisante pour l’audience visée - les scientifiques d’abord, mais aussi le public en général.
4. Elle est pertinente, puisqu’elle révèle des évidences scientifiques autrement difficilement accessibles.
5. Elle est instructive, parce que si l’on saisit et accepte les évidences scientifiques qu’elle décrit, cela changera notre perception pour le mieux.

Qualité 1. Honnêteté

library("tidyverse")

## ── Attaching packages ────────────────────────────────────────────────────────────────────────────────────────────────────────────────── tidyverse 1.2.1 ──

## ✔ ggplot2 3.1.0     ✔ purrr   0.3.0
## ✔ tibble  2.0.1     ✔ dplyr   0.7.8
## ✔ tidyr   0.8.2     ✔ stringr 1.3.1
## ✔ readr   1.3.1     ✔ forcats 0.3.0

## ── Conflicts ───────────────────────────────────────────────────────────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()

nasa_temp <- read_tsv("https://climate.nasa.gov/system/internal_resources/details/original/647_Global_Temperature_Data_File.txt",
                       col_names = c('year', 'temp', 'loess'))

## Parsed with column specification:
## cols(
##   year = col_double(),
##   temp = col_double(),
##   loess = col_double()
## )

Qualité 2. Fonctionnelle

Source: Slidebazaar

Qualité 3. Visuel

library("ggthemr")
ggthemr(palette = "dust", layout = "scientific", type = "outer")
market %>% 
  ggplot(mapping = aes(x = fct_reorder(category, proportion), y = proportion)) + geom_col() + labs(x = "", y = "Proportion") + coord_flip()

Qualité 4. Pertinence

Qualité 5. Instructive

Source: Messerli, (2012)

3. Choisir le bon type de graphique

0. Réfléchissez au message que vous désirez transmettre.
1. Essayez différentes représentations.
2. Mettez de l’ordre dans vos données.
3. Testez le résultat.

4. Différentes approches

Impérative. Comment placer l’information sur une canevas. Exemple: R-base, Matplotlib (Python), Excel.

Déclarative. Spécifier quoi afficher. Exemple: ggplot2, altair (Python).

La visualisation déclarative vous permet de penser aux données et à leurs relations, plutôt que des détails accessoires.

Jake Vanderplas, Declarative Statistical Visualization in Python with Altair (ma traduction)

5. Visualisation en R

• R-base
• ggplot2 (et ses nombreuses extensions)
• plotly (et ggplotly)

6. Fermeture